00:00:03 ABC分析の紹介とパレート原理の起源.
00:00:33 ソーシャルネットワークおよび供給チェーンにおけるパレート分析.
00:02:03 在庫分類におけるABC分析の役割.
00:03:14 供給チェーンにおけるABC分析の使用と誤用.
00:06:05 現代の在庫管理システムにおけるABC分析の関連性.
00:08:00 ABC在庫システムの限界.
00:09:00 ABCアプローチの特定性の欠如.
00:11:02 ABC分類の安定性の問題とその影響.
00:13:01 データ駆動型の在庫管理提案.
00:15:38 大量在庫商品の予測の利点.
00:18:01 経済的要因の組み合わせ、確率的予測対ABC.
00:19:00 ABCから情報理論アプローチへのシフト.
00:21:39 ABC分析の批評：虚栄心に基づく指標の促進.
00:25:17 ABC分析への依存の危険性.
概要
Lokadの創設者であるジョアネス・ヴェルモレルは、パレートの80/20ルールに基づくABC分析という在庫管理手法について論じています。彼は、製品を販売率に応じて分類する方法を説明しており、‘A’は高価値で早く売れる製品、‘C’は低価値で売れ行きが遅い製品を示しています。ヴェルモレルは、この手法がカテゴリー内の微妙な違いを捉えきれず、現代の供給チェーンにおいて誤用される可能性があることに懸念を表明しています。彼は、各製品の個別の販売履歴や物理的制約を考慮した、より詳細で細かなアプローチを提唱し、ABC分析が需要の変動やストックアウトによって誤解を招く指標や不安定性をもたらす可能性があると警告しています.
詳細な概要
Lokad TVでの会話は、パレートの80/20ルールに根ざした在庫分類手法であるABC分析の概念を中心に展開されています。この手法は、製品カタログをその価値に基づいて分類し、ERPソフトウェアやより広範な供給チェーン業界で広く利用されています.
Lokadの創設者であるジョアネス・ヴェルモレルは、ABC分析について詳細な説明を行っています。彼は、この手法がパレート分析に由来しており、社会的に構築された現象において最も重要な上位20%の要素が全体の80%を占めると主張している点に言及しています。この原理は、ソーシャルネットワーク、富の分配、製品の売上など、様々な分野で観察されます.
供給チェーンの文脈では、ヴェルモレルは最も重要な20%の製品が通常、売上の80%を占めると説明しています。この洞察は、19世紀末のイタリアの数学者であり土木技師であったヴィルフレード・パレートに起因するとされています。さらに、ヴェルモレルは、数学的な厳密性がなくとも在庫分類の概念自体は古代にまで遡る可能性があると示唆しています.
ヴェルモレルは、在庫管理におけるABC分析の実用的な適用として、SKUや製品を通常3から5のクラスに分類することを説明しています。クラス’A’は動きの速いアイテムを表し、最後のクラスである’D’または’E’は動きの遅いアイテムを示します。その間のクラスは、それぞれ異なる在庫の動きを示しており、結果として、類似した在庫速度を持つ製品を大まかに分類することになります.
ABC分析はその単純さにもかかわらず、供給チェーン業界で広く使用されていますが、ヴェルモレルはその誤用も広く見られると指摘しています。彼は、この分類が製品の物理的制約を正確に反映している場合に有益であると主張しています。例えば、航空宇宙業界では、第一カテゴリーに高価で修理可能な製品が含まれる一方、最後のカテゴリーには修理不可能な消耗品が含まれることがあります。食品業界では、冷凍食品と乾燥食品で別々の処理カテゴリーが設けられる場合があります。これらの分類は、商品の取り扱い方法の違いを示しています.
ヴェルモレルは、すべてのアイテムを数えることなく在庫を管理するためにABC分析手法がどのように生まれたのかを説明しています。このシステムでは、異なる製品カテゴリーを異なるサイズのビンに保管し、ビンが半分空になった際に在庫を再注文するという単純なルールが適用されました。これは、在庫を追跡・管理するソフトウェアが存在しなかった時代には実用的なアプローチでした。しかし、今日のデジタル時代において在庫を自動的に追跡できる状況では、ABC手法は問題があり、時代遅れとなっているとヴェルモレルは主張しています.
ヴェルモレルは、ABC分類システムが販売履歴の低解像度の概算に過ぎないと指摘しています。製品の詳細な販売履歴から得られる情報以上の追加情報を提供しないため、これらの分類に基づく意思決定は、実際の販売データを使用することでより正確に洗練される可能性があります.
ヴェルモレルはまた、ABC手法がカテゴリー内に均質性の錯覚を生み出す可能性があると指摘しています。各カテゴリーには何百もの製品が含まれる可能性があり、その中には大きなばらつきが存在します。例えば、上位1%の製品は上位10%の製品よりも売上速度が10倍高い可能性があり、このような細かい差異はABC分類では失われてしまいます.
ヴェルモレルは、個々の製品の詳細な販売履歴に重点を置く、より洗練された「分割統治」アプローチによる在庫管理を提案しています。このアプローチでは、その価値や重要性に基づいて特定の数のアイテムを担当する購買マネージャーを割り当てることで、高価値な製品により多くの注意が払われることを保証します.
Vermorelは、購買、生産、在庫配置、清算、及び価格設定に関する決定を含む、従来の人間主導のサプライチェーン意思決定プロセスについて考察している。しかし、コンピューターの登場により、このプロセスは大きな転換期を迎えている。コンピューターは何千ものアイテムを何度も処理することができる
一日に、最も合理的な判断に基づいて処理を繰り返すが、これは人間が手作業で行うことのできない作業である。
Vermorelは、販売量に関連してサービスレベルの概念を説明している。彼は、販売量が多いアイテムは一貫して売れるため、一般に予測が立てやすいと示唆している。例えば、1日に100ユニット売れるアイテムは、翌日も概ね±10%の範囲で100ユニット前後売れるだろう。一方、販売量が少ないアイテムは需要の予測が困難で、月に1度しか売れない場合もあり、その販売時期を予測するのは難しい。
高販売量のアイテムでは、高いサービスレベルを維持することがよりコスト効率的である。これは、必要な在庫量がリードタイムと需要の変動性、すなわち「不規則性」によって決まるためである。不規則性が高いアイテムはより多くの在庫を必要とする。しかし、低販売量のアイテムと比較すると、高販売量のアイテムは売上に対して必要な在庫量が少なく、資金を追加のサービスレベル向上に効率的に変換できる。
高販売量のアイテムについては、確率的予測が低い不確実性を反映した比較的集中した予測をもたらす。一方、動きの遅いアイテムでは、不確実性が高いため予測がより分散する。この確率的予測を、経済的ドライバー、すなわち在庫コスト、購買コスト、在庫保有コスト、および潜在的マージンと組み合わせることで、ABC分析のような粗いカテゴリ分けを必要としない、より正確なサービスレベルが得られる。
Vermorelは、計算を完全に回避できる手法としてABC分析を批判している。19世紀、何千ものアイテムを手作業で管理するのが困難だった時代には有用であったが、今日では1秒間に何十億もの演算が可能な強力なコンピューターの登場により、そのアプローチは時代遅れとなっている。
これには二つの主要な理由がある。第一に、ABC分析はしばしば虚栄心を満たす指標（バニティ指標）を生み出し、実際の状況とは大きく異なる良好なパフォーマンスを示す錯覚を与える。第二に、ABCのクラスは不安定で、在庫切れや需要の変動により急速に変動する。例えば、大規模な在庫切れに見舞われたアイテムは、クラスAからクラスBに格下げされ、あたかもクラスAのサービスレベルが向上したかのような錯覚を生むが、実際には単にパフォーマンスの低下の副作用に過ぎない。
Vermorelは、アイテム数や可能な販売履歴の数だけクラスを設ける、より細分化され適応性の高いアプローチを提唱している。このアプローチは、観測された販売履歴に基づいてより良い意思決定を行うために情報理論を活用するものである。この文脈では、パーセンテージではなくドル単位でパフォーマンスや誤差を表現することの重要性が強調され、サプライチェーン管理の経済的現実とより合致する。
完全な文字起こし
Kieran Chandler: Lokad TVへようこそ。今週は、ペリトの80/20ルールにその起源を持つ在庫分類手法であるABC分析について話す。この手法は、カタログをその価値に基づいて分割することで機能し、多くの主要なERPソフトウェアやサプライチェーン業界全体で採用されている。ではJoannes、これはABC分析の簡単な概要に過ぎないので、もう少し詳しく説明していただけますか。
Joannes Vermorel: はい。ご指摘の通り、ABC分析はペリート分析にその起源を持ち、本質的にソーシャルネットワーク全体のカテゴリーを記述しています。考え方は、最も活発または重要な20％が全体の80％を占めるというものです。これは、LinkedInのようなプラットフォームで明らかであり、上位20％のユーザーがおそらく80％の接続を持っています。同様に、最も裕福な20％の人々が富の80％を所有している可能性があります。サプライチェーンの文脈では、上位20％の製品が売上の約80％を占めます。この原則は、19世紀後半にパレートというイタリアの数学者であり土木技師によって発見されました。インベントリの分類に関しては、数学的な根拠はなくても、この考え方は古代にまで遡る可能性があります。
Kieran Chandler: では、ABC分析は実際にどのように機能するのですか？
Joannes Vermorel: 在庫管理におけるABC分析の重要な洞察は、SKUまたは製品をクラスに分類することにあります。通常、3～5つのクラスが存在し、移動が速い製品に特化した「A」クラスから、移動が遅い製品のための最終クラス「D」または「E」まで、各製品の在庫回転速度の違いを表す中間のクラスが設けられます。このプロセスにより、類似した在庫回転速度をもつ製品が大まかにまとめられ、1日に生産または提供すべき単位数が示されます。
Kieran Chandler: この手法は企業によって日常的に使用されているのでしょうか？非常に単純なように思えます。
Joannes Vermorel: 確かにこの手法は単純ですが、広く利用され、むしろサプライチェーンの世界では乱用されていると言えます。この分類は、製品が物理的な制約を反映している場合に役立ちます。たとえば、航空宇宙分野では、非常に高価で修理可能な製品の第一カテゴリーがあり、次に比較的安価で修理可能な製品があり、そして修理不可能な消耗品があります。それぞれのカテゴリーは、商品の取り扱い方法の違いを示しています。食品業界では、冷凍食品や乾燥食品で異なるプロセスが用いられます。これらの分類は、各カテゴリにおける異なる物理的プロセスを際立たせます。しかし、ABC分析自体は商品の物理的側面ではなく、あくまで販売速度に関心を持っているのです。先に述べた乱用とは、相対的な売上によってのみ定義される広範なカテゴリーの作成を指します。
Kieran Chandler: 製品の一般的な分類について説明していただけますか？ A、B、Cのクラスがあると理解していますが、製品がAアイテムであるというのはどういう意味ですか？
Joannes Vermorel: もちろんです。一般的にAアイテムとは、たとえば1日あたり20ユニット以上が販売または生産される製品を指します。この高い回転率がAアイテムである理由です。この分類システムは、一定期間、例えば過去3ヶ月間の売上高に基づく数値的なカットオフで決められます。具体的な基準は企業ごとに異なりますが、基本的な概念は、一定期間の平均としての回転速度を算出し、その上で各カテゴリー（A、B、C、D、E）の閾値を設定することにあります。
Kieran Chandler: 製品をこのように分類し、いくつかを他よりも重要視するのは論理的に思えます。しかし、このアプローチに完全には賛成していないように感じます。なぜそれがあまり適切でないのでしょうか？
Joannes Vermorel: おっしゃる通り、私にもいくつかの懸念があります。ABC分析の興味深い点は、何もカウントすることなく在庫を管理できる点にあります。19世紀の在庫管理の視点で考えると、クラスAのアイテムには大きなビンを使用し、ビンが半分空になったら注文を出すという方法がありました。クラスBのアイテムには小さなビンを、クラスCのアイテムにはビンすら使用せず、棚に置くだけという方法もあり、消費されたらすぐに注文する仕組みです。これらの方法は、在庫の見た目に基づいて注文を出すため、何も数える必要がありません。これは、サプライチェーンを管理するためのソフトウェアがない場合には非常に役立ちます。しかし、現代では在庫を自動で追跡しカウントできるため、このシステムはあまり意味をなさなくなっています。
根本的に、ABCDのような在庫分類は、一定期間内に生産または消費すべき量を低解像度で近似したものに過ぎません。このクラスに基づいて下される意思決定は、製品の実際の売上履歴に基づけば、より正確に行えるはずです。すなわち、ABCクラスは製品の生の需要履歴に比べて追加の情報を提供していないという誤謬があります。
Kieran Chandler: このABCアプローチを使用することで、どのような問題が生じる可能性があるのでしょうか？
Joannes Vermorel：いくつかの問題があります。主な原因は、このシステムが非常に低解像度であるという事実に根ざしています。まるで、グラム単位で計算する能力があるのに、すべてをトン単位で丸めてしまうようなものです。まず、クラス内の非均質性の問題があります。もし2,000製品を5つのクラスに分けたとしても、各クラスには約400製品が含まれることになり、その中で幅広いばらつきが生じます。このシステムは特定性の錯覚を与えますが、特にトップセラー、つまりおそらく上位1％の製品において、製品間の大きな違いを見落としがちです。
Kieran Chandler：つまり、売上の上位10％に該当する製品は、おそらく製品ごとの販売速度が10倍も高く動いているはずです。しかし、カテゴリーが5つしかなければ、必要な細分化は達成できません。一方、ロングテールの部分では実に長い尾を持っています。例えば、あなたの「C」クラスには、月に1回しか売れない商品と、10年に1回しか売れない商品が混在しているかもしれません。これらはひとまとめにされますが、実際は非常に異なります。10年に1度必要なものと月に1度必要なものへのアプローチは全く異なるでしょう。
Joannes Vermorel：さらに、非常に粗い分類全体の問題は、それが時間とともに不安定になりがちだという点です。私たちは複数のクライアントで実験を行いましたが、通常、製品の3分の1から半分が期間ごとにクラスを変更していることに気づきました。たとえば、四半期ごとの売上を見てABC分析を行い、次の四半期の売上データをもとに再びABC分析をすると、製品の40％が異なるクラスに分類されるという状況に陥ることがあります。つまり、四半期が変わっただけで、ある製品に対して全く異なるポリシーが適用されることになり、これはあまり理にかなっていません。
例えば、過去2年間にわたって徐々にしかし非常に緩やかに減少している商品があったとします。なぜ、ある日を境に特定の数値の閾値を越えたという理由だけで、月に1回注文していたその商品を、今後は年に2回注文することに決めるのでしょうか？その結果、非常に非線形な効果が生じ、月に1回の注文から突然年に1回の注文にジャンプするなど、多くのギャップが生まれるのです。これは極めて恣意的であり、需要の細かい進化を反映していません。
Kieran Chandler：では、もし製品をカテゴライズしないのであれば、最も重要な製品をどうやって適切に管理するのか、ということになりますが、どのようにアプローチすればいいのでしょうか？
Joannes Vermorel：そうですね、ここでは一般的に、いくつかのサプライチェーンマネージャーが自社のサプライチェーンを「分割して統治する」というアプローチを取ります。例えば、「最も重要な製品に細かい注意を払うために、‘A’クラス製品を管理する購買マネージャーには50品目を担当させ、‘B’クラスの場合は200品目、‘C’クラスの場合は1,000品目を担当させる」といった具合です。これにより、最も重要な各製品に対して、より多くのリソースを注ぐことができます。
しかし、この見方は、購買量、生産量、在庫の配置、在庫の清算、価格の変更など、あらゆるサプライチェーンの意思決定が、人間によって手作業で行われるという前提に立っています。しかし、現実は、コンピュータが導入されるとすべてが変わります。コンピュータは、合理的であれば1日に何百回、何千回と、何千もの品目を処理するのに全く問題がありません。
ですから、もし’A’クラス製品のサービスレベルを高めたいのであれば、つまり、より多く売れている商品の場合、より良い予測が可能になるということです。なぜなら、それは数のゲームだからです。1日に100単位が安定して売れている商品であれば、予測はずっと簡単になります。
Kieran Chandler：およそ100単位であれば、かなり良い予測ができる、プラスマイナス10％程度でしょう。しかし、月に1回しか売れない商品では、翌日の最も可能性の高い予測は0単位になってしまいます。それに、不安定さが目立ち、時には余分に2単位売れる日もあるかもしれません。
Joannes Vermorel：要するに、高い取引量を持つ商品では不安定性が低く、結果としてサービスレベルが向上するということです。コストの面でも、必要な在庫量は、一方ではリードタイムに、もう一方では不安定性にほぼ比例するため、効率的です。不安定性が2倍なら、在庫も2倍必要になります。つまり、より多く売れる商品にはより多くの在庫が必要ですが、売上が低い商品には比較的かなり少ない在庫で済むのです。
高回転の大口商品における在庫は、ユーロやドルを余分なサービスレベルの向上という価値に変換する効率が高いのです。これが、しばしばそのような「バケツ分け」やレシピに至る理由ですが、問題を全く異なる視点から捉えることも可能です。
まず、確率論的予測を採用し、不確実性を自然に反映させる方法を提案します。高ボリュームの商品では、当然ながら予測値は高くなりますが、不確実性が低いため、分布も比較的集中します。この確率論的予測は、将来の需要における不確実性を反映する分布を提供します。
動きの遅い商品では、平均的な需要が低いため分布の平均値もかなり低くなりますが、不確実性や不安定性が大きいため、分布は非常に広がります。
Kieran Chandler：では、高いサービスレベルを求めるというのは、具体的にはどういう意味なのでしょうか？
Joannes Vermorel：実際には、品切れが発生するたびに利益が失われる、ということを意味しています。もしかすると、品切れにはペナルティがあり、顧客が商品を期待しても提供できなければ商機を失うことになるわけです。
重要な点は、在庫コスト、保管費用、購買コスト、品切れコスト、そして原価を上回る価格で再販するための利益など、経済的な要因を組み合わせることです。そうすることで、得られるサービスレベルは、これらの経済的要因と確率論的な需要予測の結果として現れるということになります。
つまり、ABC分類は計算に一切介入しないのです。最終的に、ABC分類は確率論的予測エンジンがあれば箱から出してすぐに得られる、未来の需要やその不安定性を大雑把に推定する方法に過ぎないからです。
Kieran Chandler：つまり、ABC分析は非常に粗い方法ということですね。Lokadのソリューションは、ABC分析の拡張とも言える、はるかに精緻な最適化手法ではないのでしょうか？その核心的な違いは何でしょうか？
Joannes Vermorel：核心的な違いは、私たちは単に、製品の数だけクラスがあり、可能な販売履歴の数だけクラスが存在すると考えるという点にあります。状況ごとに1つのクラスができるほど細かく分けられてしまうと、その分類自体にほとんど意味がなくなってしまいます。
Lokadのアプローチは、情報理論の観点から情報を捉えることにあります。より良い意思決定をするための情報はどこから得られるのか？もしすべての情報が観察された販売履歴に由来するのであれば、予測モデルは内部で自ら分類を再構築する可能性があるのです。
Kieran Chandler：分類は役に立つかもしれませんが、それは予測モデルやエンジンの内部に存在するものです。通常、非常に細かく分けられているため、そうした手法は実際には行われていません。実際の利点は、ABC分析が、計算を全く行わずに済む方法であるという点にあります。もし手元に鉛筆と紙、そして数千の品目しかなければ、19世紀に手作業で数千の品目を追跡することを想像してみてください。それは悪夢そのものです。ですから、計算、たとえ足し算一つもしなくて済む方法が非常に重要だったのです。これらの方法は直感的で、ある種の推定アプローチを表していたのは興味深い点です。
Joannes Vermorel：Lokadでは、異なるアプローチを採用しています。我々のサプライチェーン手法は、あらゆるものを可能な限り定量化することを目指しています。1秒間に何十億回もの加算が可能な非常に高速なコンピュータを保有しているため、処理能力は不足しません。ABC分析は単純ですが、前述の通り、ペンと紙が不要であるという点が、実際の大きな利点の一つです。
Kieran Chandler：しかし、ABC分析には他にも利点があるに違いありません。なぜ企業は今なおそれを使い続けているのでしょうか？
Joannes Vermorel：正直なところ、はっきりとは分かりません。見かけ上は多くの利点があるとされますが、実際に確かな、具体的な利点となると、はるかに不明瞭です。企業は、数多くの品目を手作業で処理する負荷を、複数のサプライチェーン担当者に分散させる『分割統治』戦略としてABC分析を利用しています。しかし、答えは「そうすべきではない」ということです。それは悪いアイデアです。全ての品目を一律に処理する仕組みを持つべきです。もし方法が何らかの分類に依存しているのであれば、それを排除して直近数ヶ月の平均需要を直接使用する方法へと再考できるはずです。通常、こちらの方がパフォーマンスは良好です。大きな段階的変化に頼る必要はありません。
報告に関しては、経営陣がしばしば虚栄心を満たす指標を作り出すアプローチです。人々は「見てください、親愛なるCEO。我々の’A’アイテムは、例えば95％のサービスレベルを達成しているので非常に優れている」といった習慣に染まっています。
Kieran Chandler：しかし、これはあくまでパーセンテージであって、エラーがドル換算されていないため、たとえ売上規模やサービスレベルが非常に高くても問題ではありません。もし顧客が依然として、本当に必要なのは残りを見るためだと考えているなら、パーセンテージではなく、パフォーマンスのドル、エラーのドルといった、ドル単位で表された指標に落とし込む必要があるということです。
Joannes Vermorel：そして、ABC分析は典型的に、パーセンテージを基に虚栄指標を構築し、さらにその上にパーセンテージを追加するという手法です。実際の現実との乖離が非常に大きくなる可能性があります。さらに、これらのABCクラス自体が非常に不安定であるという事実と相まって、指標が良好に見えても実際には状況が常に変化しているという錯覚に陥りやすいのです。例えば、ある製品がクラスAに属していて大規模な品切れが発生すると、その販売数量が品切れの影響で急激に減少し、結果としてその製品は非常に速くクラスBに転落します。しかし、統計的には、クラスAから不調な製品を排除したことで数字上は良好に見えるのです。つまり、大規模な品切れが発生したからといって、その製品は設計上、クラスAから自動的に退出することになり、クラスAに留まることはないのです。
Kieran Chandler：なるほど。つまり、ある製品が大規模な品切れを経験すると、ABC分析上はクラスAからクラスBに移動するため、パフォーマンスが良好に見えるかもしれません。しかし、それはその製品が実際には品切れによってパフォーマンスが低下しているにもかかわらず、数字上は良く見えるというだけで、すべてが正常であることを意味するわけではないということですね。
Joannes Vermorel：その通りです。すべてが順調とは言えません。非常に不調な製品が、不本意ながらも高速回転クラスから退出してしまうという副作用が生じるのです。
Kieran Chandler：では、ここで締めくくらなければなりませんね。本日の大きな教訓は、ABC分析は極端に虚栄心に基づいた手法に過ぎないということです。
Joannes Vermorel：はい、そしてそれはやめるべきです。
Kieran Chandler：了解です。今週はこれで全てです。ご視聴ありがとうございました。また次回お会いしましょう。では、さようなら.
